La teoría de los conjuntos aproximados y las técnicas de Boostrap para la edición de conjuntos de entrenamiento.: Su aplicación en el pronóstico meteorológico

• CÁRDENAS, BEITMANTT ^[1] ; CABALLERO, YAILÉ ^[2] ; BELLO, RAFAEL ^[2]
  1. [1] Universidad Pedagógica y Tecnológica de Colombia

     Universidad Pedagógica y Tecnológica de Colombia

     Colombia

     
  2. [2] Universidad de Camagüey

     Universidad de Camagüey

     Cuba

     
• Localización: Avances en Sistemas e Informática, ISSN 1909-0056, Vol. 4, Nº. 3, 2007, págs. 165-170
• Idioma: español
• Títulos paralelos:
  • Rough Set Theory and Boostrap’s Technique to  Edit Training Set.:  The Application in Seasonal  Weather Forecasting 
• Enlaces
  • Texto completo
• Resumen
  • español

    Un conjunto de entrenamiento es una muestra de datos para el entrenamiento de clasificadores. Estos datos, están expuestos al adquirir su conocimiento, a tener prototipos erróneamente etiquetados, lo que implica un aprendizaje infructuoso en su aplicación. La selección de los objetos de un dominio a incluir en un conjunto de entrenamiento es un problema presente en todos los modelos computacionales que realizan inferencias a partir de ejemplos. La edición de un conjunto de entrenamiento se hace con el objetivo de eliminar los prototipos que inducen a una incorrecta clasificación supervisada, seleccionando un conjunto de referencia representativo y reducido. Las técnicas de edición, también producen la eliminación de prototipos, y con ello, la reducción de la matriz de aprendizaje. En este trabajo se propone un nuevo algoritmo con estos propósitos EDITBRS. Se validan los resultados del mismo en el problema real del pronóstico de las temperaturas en la estación meteorológica de la U.P.T.C., Colombia.

  • English

    Rough  Set  Theory  (RST)  is  a  technique  for  data  analysis. In  this study, we use RST  and boostr ap’s technnique  to  improve  the  performance  of  classifiers. The RST  is  used  to  edit  and r educe the tr aining set. We propose  a method to  edit  tr aining  sets,  which  is  based  on  the  lower  and  upper  approximations  and  boostr ap’s  technique.  The  acceler ated  growth  of  the  environmental  of  information  volumes  on  processes,  phenomena  and  r eports  brings  about  an  incr easing  inter est  in  the  possibility  of  discovering  knowledge  from  data  sets.  Experimental  r esults  show  a  satisfactory  performance  using these techniques.